CN113377998A - 数据加载的方法、装置、电子设备及存储介质 - Google Patents
数据加载的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113377998A CN113377998A CN202110722039.4A CN202110722039A CN113377998A CN 113377998 A CN113377998 A CN 113377998A CN 202110722039 A CN202110722039 A CN 202110722039A CN 113377998 A CN113377998 A CN 113377998A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- loading
- image
- loaded
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011068 loading method Methods 0.000 title claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 78
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开提供了一种数据加载的方法、装置、电子设备及存储介质，涉及计算机视觉和深度学习技术领域。具体实现方案为：将待加载数据划分为多份数据，并分别存储于相应的存储节点上；响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；在所述训练机器的硬件资源未达到资源上限的情况下，循环加载所述多份数据，直至训练结束。采用本公开，可以自动的、高效的处理超大规模的训练数据。
Description
技术领域
本公开涉及人工智能领域。本公开尤其涉及计算机视觉和深度学习技术领域，具体可用于智慧城市和智能交通场景下。
背景技术
随着技术的发展，可以通过人工智能改善硬件性能，所适用的应用场景多种多样，比如涉及图文处理、图像处理、视频处理、人脸识别、目标定位等应用场景的硬件设计中都可以采用人工智能技术，即将训练好的模型部署于硬件中，以提高硬件的处理速度及处理准确率。
然而，模型结构或模型训练的情况各种各样，对应的硬件性能优劣与否，会影响到硬件的处理速度及处理准确率，需要提高模型性能，而模型性能与模型训练有关，存在超大规模的训练数据的情况下，在模型训练时会对训练机器的存储容量提出更大的要求，增加硬件成本。对此，相关技术未存在有效的解决方案。
发明内容
本公开提供了一种数据加载方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种数据加载方法，包括：
将待加载数据划分为多份数据，并分别存储于相应的存储节点上；
响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；
在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
根据本公开的另一方面，提供了一种图像处理方法，包括：
将待处理图像输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据本公开任意一实施例所提供的数据加载方法获得；
根据所述训练后的目标网络模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。
根据本公开的另一方面，提供了一种视频处理方法，包括：
从待处理视频数据流中提取出多个图像帧；
将所述多个图像帧输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据本公开任意一实施例所提供的数据加载方法获得；
根据所述训练后的目标网络模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果；
根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。
根据本公开的另一方面，提供了一种数据加载装置，包括：
数据划分模块，用于将待加载数据划分为多份数据，并分别存储于相应的存储节点上；
响应模块，用于响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；
第一数据加载模块，用于在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
根据本公开的另一方面，提供了一种图像处理装置，包括：
第一输入模块，用于将待处理图像输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据本公开任意一实施例所提供的数据加载方法获得；
图像处理模块，用于根据所述训练后的目标网络模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。
根据本公开的另一方面，提供了一种视频处理装置，包括：
图像帧提取模块，用于从待处理视频数据流中提取出多个图像帧；
第一输入模块，用于将所述多个图像帧输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据本公开任意一实施例所提供的数据加载方法获得；
图像处理模块，用于根据所述训练后的目标网络模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果；
视频处理模块，用于根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。
采用本公开，将待加载数据划分为多份数据，并分别存储于相应的存储节点上；响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；在所述训练机器的硬件资源未达到资源上限的情况下，循环加载所述多份数据，直至训练结束。采用本公开，可以自动的、高效的处理超大规模的训练数据。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的数据加载方法的流程示意图；
图2是根据本公开实施例的图像处理方法的流程示意图；
图3是根据本公开实施例的视频处理方法的流程示意图；
图4是根据本公开实施例一应用示例中数据加载到训练机器中训练的示意图；
图5是根据本公开实施例的数据加载装置的组成结构示意图；
图6是根据本公开实施例的图像处理装置的组成结构示意图；
图7是根据本公开实施例的视频处理装置的组成结构示意图；
图8是用来实现本公开实施例的数据加载方法、图像处理及视频处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
得益于科技的发展，以神经网络为核心的人工智能技术大量被应用在计算机视觉的相关场景中，如人脸识别、图像分类、文字识别(OCR，optical character recognition)识别、目标检测、图像分割、目标追踪、事件检测、无人驾驶、智慧城市和智能交通场景等等。
一般的神经网络训练过程，是将所有训练数据一次性放到训练机器上，其中，在针对目标检测等任务的训练过程中，还会将训练所用的真值标签等信息一次性加载到内存中供数据采样使用。但是在实际的工业实践中，可能存在超大规模的训练数据，而训练机器的硬件资源是有上限的，当训练数据的规模超过一定程度，会导致训练机器的硬盘空间和内存大小不能够一次性容纳所有训练数据的问题。
针对上述问题，本公开提出的数据加载的方法，是将超大规模的训练数据划分为多份数据，存放于专门的大容量存储机器节点，然后，使用动态加载的数据来训练网络模型，在实际训练过程中，匹配于训练机器的硬件资源上限，动态循环式地逐步加载各份数据，可以解决超大规模训练数据下机器硬件资源不够用的问题。
根据本公开的实施例，提供了一种数据加载方法，图1是根据本公开实施例的数据加载方法的流程示意图，该方法可以应用于数据加载装置，例如，该装置可以部署于终端或服务器或其它处理设备执行的情况下，可以执行图像处理、视频处理等等。其中，终端可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，包括：
S101、将待加载数据划分为多份数据，并分别存储于相应的存储节点上。
S102、响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上。
S103、在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
S101-S103的一示例中，采用本示例，可以将待加载数据进行均匀的划分处理，以得到多份数据，且所述多份数据中，每份数据的数据量不超过所述训练机器的硬件资源上限，以便在与该硬件资源匹配的情况下加载数据，从而达到更快更佳的网络模型的训练效果。将划分得到的多份数据分别存储于相应的存储节点上，响应神经网络的训练操作，将该存储节点上的该多份数据动态加载到训练机器上，可以在训练机器的硬件资源未达到资源上限的情况下，循环的、动态加载给多份数据，用加载的全部数据进行该网络模型的训练，直至训练结束，从而可以自动的、高效的处理超大规模的训练数据，解决了超大规模训练数据下机器硬件资源不够用的问题。
一实施方式中，可以将所述待加载数据的第一顺序进行随机排序处理，得到第二排序。比如，以超大规模的训练数据为例，可以对该训练数据进行随机打乱排序，存放于专门的大容量存储机器节点，从第一排序变换为第二排序，再将数据较为均匀地切分成多个小份，保证每个小份的数据量都不超过训练数据硬件资源的限制。采用本实施方式，训练网络模型之前，预先划分，且均匀划分多份数据，使得数据量不超过训练机器的硬件资源限制，可以直接部署加载到训练机器上，提高了训练速度。随机乱序的处理，可以增加更多数据排列组合的可能性，从而可以得到更好的训练效果。
一实施方式中，所述在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束，包括：读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第一数据量总和；所述第一数据量总和未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。比如，可以根据训练机器的实际硬件资源(如硬盘或内存的存储容量大小)，设定一个数据量的上限(比如，任意时刻训练机器中存放的数据总量不得超过该数据量的上限)，采用本实施方式，可以匹配于该数据量的上限来动态加载数据，即当读取的第一数据量总和，未达到训练机器的硬件资源上限，则继续循环加载，直至训练结束，从而可以提高训练速度。
一实施方式中，还包括：在所述加载数据量超出所述训练机器的硬件资源上限的情况下，丢弃所超出的数据量，循环加载所述多份数据，直至训练结束。比如，可以读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第二数据量总和，在该第二数据量总和超出所述训练机器的硬件资源上限的情况下，丢弃所述当前已有数据量中的数据份额，将所述即将加载的数据量部署到所述训练机器中并循环加载，直至训练结束。采用本实施方式，可以匹配于该数据量的上限来动态加载数据，即当读取的第二数据量总和，超出训练机器的硬件资源上限，则先丢弃部分数据(如丢弃当前已有数据量中的数据份额)后再继续循环加载，直至训练结束，从而可以提高训练速度。
一示例中，为了保证数据的均匀性，可以将数据本身经过随机排序后再划分，还可以均匀的进行划分处理，得到较为均匀地多份数据。判断训练机器中当前已有数据量和即将加载的数据量的总和是否超过训练机器的硬件资源上限，如果判定结果为否(如读取的第一数据量总和未达到训练机器的硬件资源上限)，则直接将多份数据中的一份数据加载到训练机器(如数据的加载顺序，可以按照所划分数据段的顺序进行循环、逐份的动态加载)；如果判定结果为是(如读取的第二数据量总和超出训练机器的硬件资源上限)，则随机丢弃一部分已有数据，再加载新数据。数据加载顺序还是按照所划分数据段的顺序进行循环、逐份的动态加载。
也就是说，根据训练机器的硬件资源(硬盘空间、内存大小的存储容量大小等)提前设定好训练机器能够容纳的硬件资源上限后，在实际训练过程中，匹配于训练机器能够容纳的硬件资源上限，动态循环式地逐步加载各份数据。还可以每隔一段时间重新加载一次数据，若当前已加载数据和预加载数据总量小于之前设定的硬件资源上限，则直接加载；否则，随机剔除一部分原先数据，再加载新数据。
一实施方式中，还包括：在循环加载所述多份数据的过程中，使用当前加载的全部数据进行神经网络的训练，比如将当前的已有数据及新加载的数据作为全部数据，以用于网络模型的训练，从而得到训练后的目标网络模型。采用本实施方式，可以根据加载的该全部数据进行网络模型的训练，可以得到训练后的目标网络模型，且模型更为轻量化。
根据本公开的实施例，提供了一种图像处理方法，图2是根据本公开实施例的图像处理方法的流程示意图，所述方法包括：
S201、将待处理图像输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据上述实施例的数据加载方法获得。
S202、根据所述训练后的目标网络模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。
采用本公开，由于训练后的目标网络模型，所使用的训练数据根据上述实施例的数据加载方法获得的，数据的加载是根据训练机器的硬件资源上限动态加载，训练后的目标网络模型收敛更快，相比常规一次性数加载得到的模型而言，可以得到更为轻量化的模型，且处理效果足够精确，因此，将该训练后的目标网络模型部署于图像处理的硬件设备中运行，处理速度更快，还可以提取到更多、更精确的图像特征，因此，在图像处理场景中，可以实现更精确的图像分类、图像识别、图像分割等。
根据本公开的实施例，提供了一种视频处理方法，图3是根据本公开实施例的视频处理方法的流程示意图，所述方法包括：
S301、从待处理视频数据流中提取出多个图像帧。
S302、将所述多个图像帧输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据上述实施例的数据加载方法获得。
S303、根据所述训练后的目标网络模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果。
S304、根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。
采用本公开，由于训练后的目标网络模型，所使用的训练数据根据上述实施例的数据加载方法获得的，数据的加载是根据训练机器的硬件资源上限动态加载，训练后的目标网络模型收敛更快，相比常规一次性数加载得到的模型而言，可以得到更为轻量化的模型，且处理效果足够精确，因此，将该训练后的目标网络模型部署于视频处理的硬件设备中运行，处理速度更快，还可以提取到更多、更精确的图像特征，因此，在视频处理场景中，可以实现更精确的目标对象识别、定位等。
应用示例：
图4是根据本公开实施例一应用示例中数据加载到训练机器中训练的示意图，如图4所示，包括：
S401、先在专用的大容量存储机器中，对训练数据进行随机打乱，再将待加载数据较为均匀地切分成多份数据，保证每份的数据量都不超过训练数据的硬件资源限制。
S402、根据训练机器的实际硬件资源上限设定数据量上限，任意时刻训练机器中存放的数据总量不得超过该上限。
S403、判断训练机器中当前已有数据量和即将加载的数据量的总和是否超过S402设置的上限。
S404、如果S403判定结果为否，则直接加载一小份数据到训练机器。数据加载顺序按S401步骤中切分的数据段循环逐份加载。
S405、使用当前加载的全部数据进行正常的神经网络训练。
S406、每隔一段时间判断是否需要重新加载数据，判断条件可以是时间间隔，也可以是其他根据特定任务预设的规则。如果判定结果为是，则跳转到S403步骤。判定结果为否，则跳转到S405步骤，继续正常训练。
S407、如果S403步骤判定结果为是，即数据总量超过预设的上限，则随机丢弃一部分已有数据，再加载新数据。数据加载顺序按S401步骤中切分的数据段循环逐份加载。丢弃的数据量大于等于即将被加载的新数据量。
采用本应用示例，相比一次性将所有训练数据存放在训练机器而言，数据动态加载，能够将超大规模数据切分成多个小份，并循环逐份进行动态加载，可以很好的应对超过训练机器硬件资源限制的超大规模训练数据的训练问题。
根据本公开的实施例，提供了一种数据加载装置，图5是根据本公开实施例的数据加载装置的组成结构示意图，如图5所示，数据加载装置500包括：数据划分模块501，用于将待加载数据划分为多份数据，并分别存储于相应的存储节点上；响应模块502，用于响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；第一数据加载模块503，用于在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
一实施方式中，所述数据划分模块，用于将所述待加载数据进行均匀的划分处理，得到多份数据；所述多份数据中，每份数据的数据量不超过所述训练机器的硬件资源上限。
一实施方式中，还包括随机排序模块，用于将所述待加载数据的第一顺序进行随机排序处理，得到第二排序。
一实施方式中，所述第一数据加载模块，用于读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第一数据量总和；所述第一数据量总和未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
一实施方式中，还包括第二数据加载模块，用于在所述加载数据量超出所述训练机器的硬件资源上限的情况下，丢弃所超出的数据量，循环加载所述多份数据，直至训练结束。
一实施方式中，所述第二数据加载模块，用于读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第二数据量总和；所述第二数据量总和超出所述训练机器的硬件资源上限的情况下，丢弃所述当前已有数据量中的数据份额，将所述即将加载的数据量部署到所述训练机器中并循环加载，直至训练结束。
一实施方式中，还包括训练模块，用于在循环加载所述多份数据的过程中，使用当前加载的全部数据进行神经网络的训练，得到训练后的目标网络模型。
根据本公开的实施例，提供了一种图像处理装置，图6是根据本公开实施例的图像处理装置的组成结构示意图，如图6所示，图像处理装置600包括：第一输入模块601，用于将待处理图像输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据上述实施例的数据加载方法获得；图像处理模块602，用于根据所述训练后的目标网络模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。
根据本公开的实施例，提供了一种视频处理装置，图7是根据本公开实施例的视频处理装置的组成结构示意图，如图7所示，视频处理装置700包括：图像帧提取模块701，用于从待处理视频数据流中提取出多个图像帧；第一输入模块702，用于将所述多个图像帧输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据上述实施例的数据加载方法获得；图像处理模块703，用于根据所述训练后的目标网络模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果；视频处理模块704，用于根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。
本公开实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8是用来实现本公开实施例的数据加载方法、图像处理及视频处理方法的电子设备的框图。该电子设备可以为前述部署设备或代理设备。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如数据加载方法、图像处理及视频处理方法。例如，在一些实施例中，数据加载方法、图像处理及视频处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的数据加载方法、图像处理及视频处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据加载方法、图像处理及视频处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (21)
1.一种数据加载的方法，所述方法包括：
将待加载数据划分为多份数据，并分别存储于相应的存储节点上；
响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；
在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
2.根据权利要求1所述的方法，其中，所述将待加载数据划分为多份数据，并分别存储于相应的存储节点上，包括：
将所述待加载数据进行均匀的划分处理，得到多份数据；
所述多份数据中，每份数据的数据量不超过所述训练机器的硬件资源上限。
3.根据权利要求2所述的方法，还包括：
将所述待加载数据的第一顺序进行随机排序处理，得到第二排序。
4.根据权利要求1-3中任一项所述的方法，其中，所述在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束，包括：
读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第一数据量总和；
所述第一数据量总和未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
5.根据权利要求1-3中任一项所述的方法，还包括：
在所述加载数据量超出所述训练机器的硬件资源上限的情况下，丢弃所超出的数据量，循环加载所述多份数据，直至训练结束。
6.根据权利要求5所述的方法，其中，所述在所述加载数据量超出所述训练机器的硬件资源上限的情况下，丢弃所超出的数据量，循环加载所述多份数据，直至训练结束，包括：
读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第二数据量总和；
所述第二数据量总和超出所述训练机器的硬件资源上限的情况下，丢弃所述当前已有数据量中的数据份额，将所述即将加载的数据量部署到所述训练机器中并循环加载，直至训练结束。
7.根据权利要求1-3中任一项所述的方法，还包括：
在循环加载所述多份数据的过程中，使用当前加载的全部数据进行神经网络的训练，得到训练后的目标网络模型。
8.一种图像处理方法，所述方法包括：
将待处理图像输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据权利要求1-7的数据加载方法获得；
根据所述训练后的目标网络模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。
9.一种视频处理方法，所述方法包括：
从待处理视频数据流中提取出多个图像帧；
将所述多个图像帧输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据权利要求1-7的数据加载方法获得；
根据所述训练后的目标网络模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果；
根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。
10.一种数据加载装置，所述装置包括：
数据划分模块，用于将待加载数据划分为多份数据，并分别存储于相应的存储节点上；
响应模块，用于响应神经网络的训练操作，将所述存储节点上的所述多份数据动态加载到训练机器上；
第一数据加载模块，用于在加载数据量未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
11.根据权利要求10所述的装置，其中，所述数据划分模块，用于：
将所述待加载数据进行均匀的划分处理，得到多份数据；
所述多份数据中，每份数据的数据量不超过所述训练机器的硬件资源上限。
12.根据权利要求11所述的装置，还包括随机排序模块，用于：
将所述待加载数据的第一顺序进行随机排序处理，得到第二排序。
13.根据权利要求10-12中任一项所述的装置，其中，所述第一数据加载模块，用于：
读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第一数据量总和；
所述第一数据量总和未达到所述训练机器的硬件资源上限的情况下，循环加载所述多份数据，直至训练结束。
14.根据权利要求10-12中任一项所述的装置，还包括第二数据加载模块，用于：
在所述加载数据量超出所述训练机器的硬件资源上限的情况下，丢弃所超出的数据量，循环加载所述多份数据，直至训练结束。
15.根据权利要求14所述的装置，其中，所述第二数据加载模块，用于：
读取所述训练机器中当前已有数据量及即将加载的数据量的总和，得到第二数据量总和；
所述第二数据量总和超出所述训练机器的硬件资源上限的情况下，丢弃所述当前已有数据量中的数据份额，将所述即将加载的数据量部署到所述训练机器中并循环加载，直至训练结束。
16.根据权利要求10-12中任一项所述的装置，还包括训练模块，用于：
在循环加载所述多份数据的过程中，使用当前加载的全部数据进行神经网络的训练，得到训练后的目标网络模型。
17.一种图像处理装置，所述装置包括：
第一输入模块，用于将待处理图像输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据权利要求1-7的数据加载方法获得；
图像处理模块，用于根据所述训练后的目标网络模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。
18.一种视频处理装置，所述装置包括：
图像帧提取模块，用于从待处理视频数据流中提取出多个图像帧；
第一输入模块，用于将所述多个图像帧输入训练后的目标网络模型，所述训练后的目标网络模型所使用的训练数据根据权利要求1-7的数据加载方法获得；
图像处理模块，用于根据所述训练后的目标网络模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果；
视频处理模块，用于根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722039.4A CN113377998A (zh) | 2021-06-28 | 2021-06-28 | 数据加载的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722039.4A CN113377998A (zh) | 2021-06-28 | 2021-06-28 | 数据加载的方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113377998A true CN113377998A (zh) | 2021-09-10 |
Family
ID=77579721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110722039.4A Pending CN113377998A (zh) | 2021-06-28 | 2021-06-28 | 数据加载的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113377998A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116011551A (zh) * | 2022-12-01 | 2023-04-25 | 中国科学技术大学 | 优化数据加载的图采样训练方法、系统、设备及存储介质 |
| WO2023098794A1 (zh) * | 2021-12-02 | 2023-06-08 | 华为技术有限公司 | 一种训练加速方法及相关装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5909681A (en) * | 1996-03-25 | 1999-06-01 | Torrent Systems, Inc. | Computer system and computerized method for partitioning data for parallel processing |
| US5926804A (en) * | 1994-07-01 | 1999-07-20 | The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations | Discriminant neural networks |
| CN110516817A (zh) * | 2019-09-03 | 2019-11-29 | 北京华捷艾米科技有限公司 | 一种模型训练数据加载方法及装置 |
| CN111027083A (zh) * | 2019-12-06 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 一种私有数据处理方法及系统 |
| CN111240843A (zh) * | 2020-01-10 | 2020-06-05 | 北京猎豹移动科技有限公司 | 一种数据获取方法、装置、电子设备及存储介质 |
| CN111582185A (zh) * | 2020-05-11 | 2020-08-25 | 北京百度网讯科技有限公司 | 用于识别图像的方法和装置 |
| CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
| CN112633380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点特征提取方法、装置、电子设备及存储介质 |
| CN112800020A (zh) * | 2021-03-18 | 2021-05-14 | 蓝鲸国数(深圳)科技有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
| CN112799850A (zh) * | 2021-02-26 | 2021-05-14 | 重庆度小满优扬科技有限公司 | 模型的训练方法、模型的预测方法以及模型的控制系统 |
-
2021
- 2021-06-28 CN CN202110722039.4A patent/CN113377998A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5926804A (en) * | 1994-07-01 | 1999-07-20 | The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations | Discriminant neural networks |
| US5909681A (en) * | 1996-03-25 | 1999-06-01 | Torrent Systems, Inc. | Computer system and computerized method for partitioning data for parallel processing |
| CN110516817A (zh) * | 2019-09-03 | 2019-11-29 | 北京华捷艾米科技有限公司 | 一种模型训练数据加载方法及装置 |
| CN111027083A (zh) * | 2019-12-06 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 一种私有数据处理方法及系统 |
| CN111240843A (zh) * | 2020-01-10 | 2020-06-05 | 北京猎豹移动科技有限公司 | 一种数据获取方法、装置、电子设备及存储介质 |
| CN111582185A (zh) * | 2020-05-11 | 2020-08-25 | 北京百度网讯科技有限公司 | 用于识别图像的方法和装置 |
| CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
| CN112633380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点特征提取方法、装置、电子设备及存储介质 |
| CN112799850A (zh) * | 2021-02-26 | 2021-05-14 | 重庆度小满优扬科技有限公司 | 模型的训练方法、模型的预测方法以及模型的控制系统 |
| CN112800020A (zh) * | 2021-03-18 | 2021-05-14 | 蓝鲸国数(深圳)科技有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 徐梦炜;刘渊强;黄康;刘?哲;黄罡;: "面向移动终端智能的自治学习系统", 软件学报, no. 10 * |
| 王瑞;向新;肖冰松;: "聚簇的分布式SVM算法优化", 空军工程大学学报(自然科学版), no. 02 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023098794A1 (zh) * | 2021-12-02 | 2023-06-08 | 华为技术有限公司 | 一种训练加速方法及相关装置 |
| CN116011551A (zh) * | 2022-12-01 | 2023-04-25 | 中国科学技术大学 | 优化数据加载的图采样训练方法、系统、设备及存储介质 |
| CN116011551B (zh) * | 2022-12-01 | 2023-08-29 | 中国科学技术大学 | 优化数据加载的图采样训练方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113377998A (zh) | 数据加载的方法、装置、电子设备及存储介质 | |
| CN113139660A (zh) | 模型推理方法、装置、电子设备及存储介质 | |
| CN112784734A (zh) | 一种视频识别方法、装置、电子设备和存储介质 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN114841315A (zh) | 混合专家模型实现方法、系统、电子设备及存储介质 | |
| CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
| CN110995687B (zh) | 一种猫池设备识别方法、装置、设备及存储介质 | |
| CN114595047A (zh) | 一种批量任务处理方法和装置 | |
| CN114359811A (zh) | 数据鉴伪方法、装置、电子设备以及存储介质 | |
| CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113360407B (zh) | 函数的定位方法、装置、电子设备及可读存储介质 | |
| US20170111030A1 (en) | Method and Apparatus for Data Filtering, and Method and Apparatus for Constructing Data Filter | |
| CN113033415B (zh) | 数据队列动态更新方法、装置、电子设备及存储介质 | |
| CN113283305B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN117112162A (zh) | 一种数据处理方法、装置、设备和存储介质 | |
| CN114693950B (zh) | 一种图像特征提取网络的训练方法、装置及电子设备 | |
| CN114115640B (zh) | 图标的确定方法、装置、设备以及存储介质 | |
| CN110163366B (zh) | 深度学习前向预测的实现方法、装置和机器设备 | |
| CN115331089A (zh) | 用于识别图像文字的方法、装置、设备、介质和产品 | |
| CN114282663A (zh) | 模型保存方法、装置、电子设备、路侧设备及云控平台 | |
| CN112653885A (zh) | 视频重复度获取方法、电子设备及存储介质 | |
| CN115757869A (zh) | 视频处理方法、装置、电子设备及介质 | |
| CN116384466A (zh) | 深度学习模型的多算子并行处理方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |